机器学习的文章和总结我一直想写，但是又担心写不好，刚好结合产品的下一代规划，作为契合点，但是如果我们对计算机都不能很好的认知，我们人类如何做到超人工智能的水平，所以查阅相关的书籍和资料，还是要坚持了解，并总结出来，尽量通过通俗易懂的方式，让大家快速了解什么是机器学习，机器学习的算法，以及和我们实际工作的关系，对我们的启发，技术储备，以及产品策划应该如何做？
机器学习是具有坚实理论基础的计算机科学和含噪声的真实数据的交集。本质上，机器学习是一门关于如何使机器像人类那样去理解数据的科学。
机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。
所以请记住，如果一个问题人类专家不能手动用数据解决，计算机可能也不能解决。然而，对于那些人类能够解决的问题，如果计算机能够更快地解决，那岂不美哉？
机器学习的问题
机器学习算法矩阵：
选择正确的学习算法并不只是尝试一下工具箱中的三四个算法那么简单（工具箱中会有很多的算法）
(i) 监督式学习（参数和非参数算法、支持向量机、核函数和神经网络）。(ii) 无监督学习（集群、降维、推荐系统和深度学习）。(iii) 机器学习实例（偏见/方差理论；机器学习和AI领域的创新）。课程将引用很多案例和应用，您还需要学习如何在不同领域应用学习算法，例如智能机器人（感知和控制）、文本理解（网络搜索和垃圾邮件过滤）、计算机视觉、医学信息学、音频、数据库挖掘等领域。
那到底算法导论中的算法跟机器学习算法有什么区别呢？
什么样的问题适合用机器学习来解决？什么情况需要使用机器学习呢？
答案是：难以用规则解决的问题，可以尝试用机器学习来解决。
然后我们揭示了机器学到的模型，本质上就是一个映射，或者函数。
未来是不确定性的
另一种说法是，机器学习求解的问题，都难以用程序控制结构求解——程序控制结构包括顺序、分支、循环、跳转
数学基础之于机器学习从业者很像debugger之于码农，它给了你方向，但不能保证你一定可以解决问题。
